TY - RPRT A1 - Bestle, Dieter A1 - Lockan, Michael A1 - Hartwig, Lennard A1 - Martin, Ivo T1 - Q3D Optimierung vielstufiger Verdichter in der Vorauslegung und Robuste multidisziplinäre Schaufelauslegung T1 - Q3D optimization of multi-stage compressors during the predesign phase and robust multi-disciplinary blade design N2 - Abschlusssachbericht zum AG Turbo Verbundforschungsprojekt COOREFLEX-turbo, Teilprojekt 1.3.6 In der industriellen Praxis beginnt die Entwicklung eines neuen Verdichters aufgrund der hohen Systemkomplexität stationärer Gasturbinen typischerweise mit einfachen, eindimensional mittelnden Modellen, mit denen bereits grundsätzliche Festlegungen getroffen werden können, und setzt sich über zweidimensionale Strömungsbetrachtungen fort bis hin zu dreidimensionalen CFD- und FE-Rechnungen. Dies erfordert den Einsatz unterschiedlicher Experten aus verschiedenen Disziplinen der Aerodynamik, Strukturdynamik und Konstruktion, und ist verbunden mit einem hohen Aufwand an manuellem Datenaustausch zwischen den einzelnen Analyseprogrammen sowie einer Abstimmung zwischen den unterschiedlichen Auslegungszielen. Ziel des Forschungsvorhabens war daher die Automatisierung des multidisziplinären und bislang manuell und sequenziell ausgeführten Entwicklungsprozesses für den Verdichter einer stationären Gasturbine beim Industriepartner Alstom. Im Rahmen des Forschungsvorhabens wurden die bereits in vorangegangenen Forschungsprojekten entwickelten Prozesse für die Auslegung von Flugtriebwerken auf die höhere Stufenanzahl von stationären Gasturbinen angepasst und entsprechend erweitert. Für die multidisziplinäre Optimierung von Verdichterschaufeln wurde zunächst ein geeignetes Geometriemodell definiert, welches aerodynamischen und strukturellen Anforderungen Rechnung trägt. Für die aerodynamische Bewertung der Verdichterschaufeln konnte die Q3D Auswertung um eine 3D-CFD Analyse ergänzt werden. Zur strukturdynamischen Analyse wurde ein Verfahren zur automatisierten Identifikation von Eigenformen entwickelt, um Eigenform-abhängige Bewertungen durchführen zu können. Durch die Implementierung von Datenbanken in der Verbindung mit Antwortflächenverfahren konnten die strukturellen und aerodynamischen Auswertungen in hohem Maße parallelisiert und ein effizienter, generischer multidisziplinärer Optimierungsprozess entworfen werden. N2 - Due to the high complexity of stationary gas turbine systems, the development of a new compressor in the industrial application typically starts with simple, one-dimensional averaging models, that can be used to determine basic properties, followed by the examination of two-dimensional flow, and finally fully three-dimensional CFD- and FE-calculations. This requires commitment of different experts from the fields of aerodynamics, structural dynamics as well as construction and requires large efforts when manually exchanging data between the different analysis codes and negotiating between the different design goals. Therefore, the goal of this research project was to automate the previously manually and sequentially executed multi-disciplinary design process for the compressor of a stationary gas turbine in cooperation with industry partner Alstom. In the course of this research project, previously developed processes for the design of aero engines could be adapted and extended for the larger number of stages in a stationary gas turbines. For the multi-disciplinary optimization of compressor blades, a suitable geometry model was defined initially, which can account for aerodynamic as well as structural requirements. For the aerodynamic assessment of the compressor blade, the Q3D evaluation could be complemented by a full 3D-CFD analysis. For the structural analysis, a method for automated identification of eigenmodes was developed, in order to carry out eigenmode-specific assessments. By implementing data bases in connection with response surface models, the structural and aerodynamic evaluations could be parallelized to a large degree and an efficient, generic multi-disciplinary optimization process could be developed. KW - Multidisziplinäre Optimierung KW - Antwortflächenverfahren KW - Aerodynamische Verdichterauslegung KW - Klassifizierung KW - Automatische Modenerkennung KW - Multi-disciplinary optimization KW - Response surface methods KW - Aerodynamic compressor design KW - Classification KW - Automated mode detection KW - Gasturbine KW - Verdichter KW - Aerodynamik KW - Optimierung Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-42225 SN - 978-3-940471-30-7 ER - TY - THES A1 - Martin, Ivo T1 - Automated process for robust airfoil design-optimization incorporating critical eigenmode identification and production-tolerance evaluation T1 - Automatisierter Prozess zur robusten Schaufeloptimierung einschließlich der Erkennung von kritischen Eigenformen und Berechnung der Produktionstoleranz N2 - For many countries, gasturbine technology is one of the key technologies for the reduction of climate-damaging pollutant emissions. The profitability of such facilities, however, is highly dependent on the price for the utilized fossil fuel, which is why there is a constant need for increased efficiency. The potential of increasing the efficiency of the individual components is basically limited by factors which will reduce operating life. The goal of this thesis is to develop methods for improved automated structural design optimization, which shall be developed on the basis of compressor airfoils. Special attention is payed to avoid the excitation of failure critical eigenmodes by detecting them automatically. This is achieved by introducing a method based on self-organizing neural networks which enables the projection of eigenmodes of arbitrary airfoil geometries onto standard surfaces, thereby making them comparable. Another neural network is applied to identify eigenmodes which have been defined as critical for operating life. The failure rate of such classifiers is significantly reduced by introducing a newly developed initialization method based on principle components. A structural optimization is set up which shifts the eigenfrequency bands of critical modes in such a way that the risk of resonance with engine orders is minimized. In order to ensure practical relevance of optimization results, the structural optimization is coupled with an aerodynamic optimization in a combined process. Conformity between the loaded hot-geometry utilized by the aerodynamic design assessment and the unloaded cold-geometry utilized by the structural design assessment is ensured by using loaded-to-unloaded geometry transformation. Therefor an innovative method is introduced which, other than the established time-consuming iterative approach, uses negative density for a direct transformation taking only a few seconds, hence, making it applicable to optimization. Additionally, in order for the optimal designs to be robust against manufacturing variations, a method is developed which allows to assess the maximum production tolerance of a design from which onwards possible design variations are likely to violate design constraints. In contrast to the usually applied failure rate, the production tolerance is a valid requirement for suppliers w.r.t.~expensive parts produced in low-quantity, and therefore is a more suitable optimization objective. N2 - Für viele Länder ist die Gasturbine eine der Schlüsseltechnologien, um ihren klimaschaedlichen Schadstoffausstoß zu reduzieren. Die Profitabilität solcher Anlagen hängt jedoch wesentlich von den Preisen des jeweiligen fossilen Brennstoffs ab, weshalb ein stetiger Entwicklungsdruck zu immer effizienteren Anlagen zu verzeichnen ist. Die mögliche Effizienzsteigerung der einzelnen Komponenten wird jedoch im Wesentlichen durch lebensdauerreduzierende Faktoren beschränkt. Daher ist das Ziel dieser Arbeit, Methoden zur besseren automatisierten strukturdynamischen Bauteiloptimierung am praktischen Beispiel von Verdichterschaufeln zu entwickeln. Insbesondere liegt der Fokus darauf, die Erregung kritischer Eigenschwingungen zu vermeiden. Zu diesem Zweck müssen vorher als kritisch definierte Eigenformen automatisiert erkannt werden. Dies geschieht mit Hilfe einer auf Basis von selbstorganisierenden neuronalen Netzen entwickelten Projektionsmethode, welche es ermöglicht, Schwingungseigenformen beliebiger Schaufelgeometrien auf eine Standardfläche zu projizieren, um eine Vergleichsgrundlage zu erhalten. Mit Hilfe eines weiteren neuronalen Netzwerks wird geprüft, ob eine projizierte Eigenform einer der zuvor als kritisch definierten Eigenformen entspricht. Dieser Klassifizierer wurde durch eine neu entwickelte Initialisierungsmethode basierend auf Priniciple-Component-Analysis in seiner Fehlerrate entscheidend verbessert. In einen strukturellen Optimierungsprozess eingebettet führen diese Methoden zu einer Minimierung des Risikos von Bauteilresonanz zwischen Eigenschwingungen und Anregungen. Um den praktischen Nutzen der Optimierungsergebnisse sicherzustellen, wird der strukturelle Optimierungsprozess mit einem aerodynamischen gekoppelt. Dabei wird die Konsistenz zwischen den auf der belasteten heißen Geometrie beruhenden aerodynamischen und den ausgehend von der kalten unbelasteten Geometrie berechneten strukturmechanischen Ergebnissen durch eine innovative Methode erreicht, welche eine negative Bauteildichte zur direkten Transformation in nur wenigen Sekunden nutzt und somit im Gegensatz zur bisherigen iterativen Methode für Optimierungsprozesse praktisch anwendbar ist. Damit die optimalen Entwürfe aus dem Optimierungsprozess zusätzlich robust gegen stochastische Produktionsvariationen sind, wurde eine Methode zur Bestimmung der Produktionstoleranz eines Entwurfs entwickelt, ab der mögliche Entwürfe Versagenskriterien verletzen würden. Die Produktionstoleranz ist eine valide Anforderung an Zulieferer für teure und in geringer Stückzahl produzierte Bauteile und somit, als Optimierungskriterium formuliert, aussagekräftiger als die üblicherweise verwendete Ausfallrate. KW - Multidisciplinary design optimization KW - Production Tolerance KW - Classification KW - Neural Network KW - Eigenmode KW - Mehrkriterienoptimierung KW - Produktionstoleranzen KW - Klassifizierung KW - Neuronales Netzwerk KW - Eigenform KW - Gasturbine KW - Eigenschwingung KW - Neuronales Netz KW - Optimierung Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-47136 ER -